在基于微电极阵列的帕金森病小鼠模型中,通过转移学习实时精确地准甲体下核

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.

背景情况:

• 像帕金森病 (PD) 这样的神经退行性疾病在特定的大脑区域表现出神经元活动的改变.
• 脑下细胞核 (STN) 是PD患者深度大脑刺激 (DBS) 的关键目标.
• 功能性地识别大脑深层区域对于有效的治疗干预至关重要.

研究的目的:

• 为了研究PD大鼠在STN和周边区域 (不确定的区域,ZI;大脑脚,cp) 中的尖峰发射模式和局部场潜在 (LFP) 光谱功率的变化.
• 根据不同的电生理学特征建立STN的功能定位.
• 评估基于转移学习的卷积神经网络 (CNN) 的有效性,用于分析神经数据和分类大脑区域.

主要方法:

• 使用16通道微电极阵列 (MEAs) 记录神经元活动在前STN (ZI) 和后STN (cp) 区域的PD大鼠.
• 分析了射率和LFP光谱功率在delta和β频段.
• 应用转移学习CNN通过格拉姆矩阵 (尖峰) 和快速里埃转换 (LFP) 处理的原始神经数据.

主要成果:

• 与ZI和cp相比,STN的火速明显更高.
• 在STN的三角波段中,LFP功率最大,其次是ZI,然后是cp.
• 在STN中观察到β频段的LFP功率增加. 最好的CNN模型实现了95.16%的准确性,合并结果达到500毫秒的时间精度.

结论:

• 尖峰射击和LFP光谱功率的独特电生理学模式使STN与PD大鼠的邻近区域 (ZI,cp) 有区别.
• 转移学习CNN有效地对神经活动进行分类,以对深层大脑区域的功能定位进行定位.
• 这种方法证明了在原始神经数据上使用机器学习的可行性,以精确识别大脑目标.